Gartner 警告:对所有 AI 智能体套用同一套治理会导致企业 AI 智能体失败

一手素材:

1. arXiv - *TrustX Agent Risk Classification Framework (ARC): Risk-Tiering Internally Created Agentic AI Systems*(https://arxiv.org/abs/2607.09586,2026-07-10 发布;Hannah M. Liu, Rhea Saxena, Shiv Asthana,TrustX 团队 working paper)

2. arXiv - *Governing Bring Your Own AI: A Parameterized Maturity Model*(https://arxiv.org/abs/2609.05236,2026-09-04 发布;Dare Bello, John Hastings,8 pages, 3 figures, 5 tables)

Gartner 在 2026 年下半年发布的一条研究结论引起企业 AI 治理负责人的广泛讨论:对所有 AI 智能体套用同一套治理框架,无论这套框架设计得多么完善,最终都会导致企业 AI 智能体项目失败。这条结论听起来有些反直觉——统一治理通常被视为"标准化的好处",但在 AI 智能体场景下,统一治理变成了项目失败的最大单一原因。

把这条结论放到学术与工程实践里看,会发现它并不是 Gartner 一家之言。TrustX 团队 2026 年 7 月发表的工作 "TrustX Agent Risk Classification Framework (ARC)"(arXiv:2607.09586v1)从风险分类的角度给出了方法论支撑:Dare Bello 等人 2026 年 9 月发表的工作 "Governing Bring Your Own AI: A Parameterized Maturity Model"(arXiv:2609.05236v1)从成熟度模型的角度给出了量化证据。两条研究独立得出了同一个结论:AI 智能体治理必须分层,不能统一。

一、统一治理为什么注定失败

把"对所有 AI 智能体套用同一套治理"放在企业 IT 的视角里看,会发现它失败的几个具体原因。

第一个原因是不同智能体的自主性等级差异巨大。TrustX ARC 框架里明确把智能体自主性分成五个等级:从 L0(完全由人驱动、agent 仅作辅助展示)到 L4(完全自主、可独立做出高影响决策)。这五个等级背后的工具调用权限、数据访问范围、动作可逆性、影响半径都完全不同。如果统一治理要求所有 agent 都执行"高影响动作必须人工审批",那么 L0 级别的智能体(辅助展示型)会被过度治理——增加不必要的审批延迟;而 L4 级别的智能体(高自主决策型)则会因为"过度治理的执行成本"被业务部门绕开,反而不受任何治理约束。

第二个原因是不同智能体的风险维度差异巨大。ARC 框架列出了 12 个风险维度,包括数据敏感度、动作可逆性、模型可解释性、错误传播路径、上游信任根等。不同类型的智能体在这 12 个维度上的得分完全不同:客服智能体的高分维度是"对话可解释性",交易智能体的高分维度是"动作可逆性",代码智能体的高分维度是"上游信任根"。统一治理无法在所有维度上同时施压,结果要么是在某些维度上治理过严,要么是在某些维度上治理不足。

第三个原因是不同智能体的生命周期阶段差异巨大。一个 6 个月前上线的智能体,经过几轮迭代后,其行为模式已经偏离了最初的设计意图;而一个新上线的智能体则仍处于"行为基线建立期"。统一治理无法区分这两类智能体的不同治理需求——老智能体需要的是行为漂移检测与基线更新,新智能体需要的是上线门控与早期观察期。

第四个原因是不同业务部门对治理成本的承受能力差异巨大。合规部门可能愿意为治理支付高额成本以换取零风险;业务部门则希望以最低治理成本获取最大业务价值。统一治理通常被合规部门主导设计,结果在业务部门眼里成本过高、无法推广,反而催生"影子 agent"——员工绕过治理使用个人账号调用 AI,导致治理完全失效。

二、ARC 框架给出的分层方法论

TrustX ARC 框架的核心是把"智能体风险"这件事拆解成多个可量化的维度,然后基于维度得分做差异化治理。框架的核心结构由四部分组成。

第一部分是 12 维度评分量表。这 12 个维度覆盖了智能体风险的全谱:从数据层(数据敏感度、数据流向控制)到模型层(模型可解释性、模型不确定性)再到行动层(动作可逆性、动作影响半径),以及运营层(行为基线稳定性、错误传播路径)与组织层(上游信任根、合规对齐度、跨团队协调成本)。每个维度采用 0-5 分制评分,总分 60。

第二部分是 GPA + IAT 分类模型。GPA(General Purpose Agent,通用智能体)与 IAT(Internal Authorised Tool,内部授权工具)是 ARC 框架对智能体做的两轴分类:横轴是智能体的能力范围(从窄域到宽域),纵轴是智能体可调用的工具授权层级(从个人级到企业级)。两个轴上的不同位置对应不同的治理要求。

第三部分是 5 级自主性框架。这是 ARC 框架的前置评估维度——在给智能体打分之前,先判定它处于 5 级自主性中的哪一级。这个分级源自既有文献,大致对应:L0 辅助展示、L1 单步建议、L2 多步执行但需确认、L3 多步执行自动但可中断、L4 完全自主决策。每一级的默认治理强度是不同的。

第四部分是 3 层治理输出。把 12 维度评分 + GPA+IAT 分类 + 自主性等级三个输入综合起来,ARC 输出三层治理:

  • T1 基础治理层:对应所有智能体都必须满足的基线要求(身份认证、日志可追溯、紧急停用开关)
  • T2 标准治理层:对应中高风险智能体的额外要求(人工复核关键动作、敏感数据脱敏、行为基线监控)
  • T3 严格治理层:对应高风险智能体的额外要求(全动作审批、跨团队审查、季度风险评估、独立审计)

这套三层治理输出的关键在于:不同智能体自动落入不同层级,而不是人为判断。低风险智能体只需要 T1,中高风险需要 T1+T2,高风险需要 T1+T2+T3。这条自动分层逻辑,就是 Gartner 警告里"统一治理会失败"的方法论反证——分层治理才是工程上可落地的方案。

三、Bello 等人的量化证据

Bello 等人在 2026 年 9 月发表的 BYOAI(Bring Your Own AI,自带 AI)成熟度模型工作从另一个角度给出了支撑数据。

他们研究的是企业员工使用个人 AI 工具(ChatGPT、Gemini、Claude 等)的"影子 AI"场景。研究的核心方法是把"治理成熟度"量化为 5 级阶梯(Level 1 到 Level 5),每一级对应一组具体的治理控制,然后用参数化模型量化"治理成熟度的提升对残留风险的降低幅度"。

研究的关键发现有三个:

第一个发现是禁止模式(prohibition-based,Level 1 级别)与基线模式(baseline,Level 2 级别)的残留风险几乎相同。也就是说,单纯禁止员工使用 AI 工具,与企业没有任何治理措施两种状态相比,残留风险差距极小。这条发现直接否定了"通过禁令解决问题"的治理思路——业务部门总会绕过禁令,绕过的结果反而更糟。

第二个发现是分层控制模式(layered control-based,Level 4-5 级别)显著降低了数据外泄风险。分层控制的特征是:技术控制层(SSO、API 网关、DLP)+ 治理控制层(审批流程、审计日志、风险评估)+ 人员控制层(培训、行为准则、应急响应)三层协同工作,而不是任何单一控制。在他们的参数化模型里,这种三层协同的方案能把数据外泄风险压低到禁止模式或基线模式的 1/3 到 1/5。

第三个发现是框架参与度不一致。在 30 份研究样本里,框架参与度(framework engagement,企业对治理框架的真正执行程度)非常不一致——很多企业虽然"形式上"部署了治理框架,但"实际"上没有真正执行。这条发现印证了 Gartner 警告的现实意义:统一治理失败不只是设计问题,更是执行问题。

把这三个发现合起来,得到的治理工程指引是:分层控制 + 真正执行 = 残留风险显著降低;统一治理 + 形式执行 = 残留风险几乎不变。

四、企业 IT 应该立刻动手的具体行动

把 Gartner 警告、ARC 框架、Bello 等人的成熟度模型合并到一份企业 IT 工程清单上,有六项具体行动可以立即开始。

第一项是为企业内部所有 AI 智能体做自主性分级。参照 ARC 框架的 5 级标准,把企业内每一个 agent 都标注到对应等级。这一步看似简单,但 90% 的企业连这一步都没做到——他们无法回答"我们公司到底有多少 AI 智能体在运行"。

第二项是基于自主性等级做风险维度评分。对每个 agent,在 ARC 的 12 个维度上做评分,形成风险画像。评分由 agent 的开发者、所有方、运营方共同参与,而不是单方判断。

第三项是按 ARC 的 3 层治理输出自动分流。低风险 agent 走 T1 治理(基线要求),中高风险 agent 走 T1+T2,高风险 agent 走 T1+T2+T3。这条分流应该写入企业的 AI 治理平台代码里,而不是写到 PPT 里。

第四项是建立 BYOAI 检测与治理通道。参照 Bello 等人的工作,企业必须有技术能力识别"员工用个人账号访问 ChatGPT/Claude 等 AI 工具"的行为,而不是禁止这种行为——禁止会导致更严重的影子 AI 问题。识别之后,通过 SSO 引导、API 包装、DLP 介入等手段把员工行为纳入企业治理框架。

第五项是建立分层控制的三支柱落地。技术、治理、人员三层协同工作:技术层做访问控制与行为监控;治理层做策略制定与审批流程;人员层做培训与文化建设。任何一层缺失,分层治理都会失效。

第六项是建立治理框架执行度的真实监控。形式上部署治理框架与真正执行治理框架之间的差距,是企业 AI 智能体失败的最常见原因。建立真实的执行度指标(框架策略覆盖率、审批流程完成率、行为异常处理率),把这些指标纳入企业 AI 治理成熟度评估,而不仅仅在年度报告里写"我们部署了治理框架"。

五、统一治理为什么会在企业内部自然出现

理解 Gartner 警告,还需要理解为什么统一治理会在企业内部"自然"出现——只有理解了原因,才能从根源上避免它。

第一个原因是合规驱动的简化倾向。合规部门在面对"几十种 AI 智能体"时,本能的反应是"统一标准以降低审计复杂度"。这种倾向在传统软件治理里是合理的——因为传统软件的差异通常体现在功能层而不是风险层,统一标准确实能降低审计成本。但 AI 智能体不同,它们的差异就在风险层,统一标准恰恰抹平了最重要的差异。

第二个原因是采购驱动的供应商评估。企业在采购 AI 智能体供应商时,通常希望"一套评估清单走天下",而不是每个供应商单独评估。这种倾向导致评估标准向"最低公共分母"靠拢,高风险智能体的额外评估要求被默认放弃了。

第三个原因是治理工具的产品化倾向。市场上几乎所有 AI 治理平台都提供"一键统一治理"的卖点,这种卖点迎合了企业简化治理的心理,但产品本身的设计逻辑就是"一刀切",而不是分层差异化。

第四个原因是组织层级的简化倾向。企业 AI 治理团队通常规模不大,面对几十种智能体时,本能选择"统一处理"以减轻工作负担。但这种简化倾向的结果是治理失效,反过来又增加团队工作量——形成恶性循环。

把这四个原因合起来,可以看到统一治理不是某个人或某个部门的"失误",而是组织系统在没有正确方法论引导下的自然产物。Gartner 警告的意义在于:它把组织系统的隐性偏见明确化,让治理团队有机会从根源上重新设计治理框架。

六、从统一治理到分层治理的企业转型路径

把统一治理转向分层治理,不是一次治理工具的升级,而是一次治理思维的转型。具体路径可以分为四步。

第一步是建立智能体清单与画像。用 ARC 框架的 12 维度对企业内所有 AI 智能体做风险画像,这一步是后续所有分层治理的基础。

第二步是引入自主性分级与风险分层。基于画像把智能体分配到 ARC 框架的 5 级自主性、3 层治理输出,这一步让治理要求差异化。

第三步是落地 Bello 等人提出的三支柱协同。技术、治理、人员三层各自建立可监控的指标,任何一层失效立即触发治理告警。

第四步是建立治理成熟度评估机制。把企业 AI 治理成熟度量化为 Bello 框架里的 5 级阶梯,每年做一次评估,把成熟度提升作为治理团队的核心 KPI。

这条四步转型路径的共同特点是:每一步都是工程化的、可监控的、有明确产出的——而不是停留在 PPT 层级的"治理改进计划"。Gartner 警告的现实意义是,如果企业继续停留在统一治理思维里,无论治理工具多先进,智能体项目都会失败;只有分层治理 + 真正执行,智能体项目才能规模化落地。

这条治理转型路径不是企业 IT 的额外负担,而是企业 AI 智能体规模化的前置条件。当 Gartner 把"统一治理会失败"这件事公开化之后,接下来的几年里,企业 AI 治理的差异化、分层化、真正执行化会成为行业主线,而不是个别先进企业的特殊实践。